Modelo basado en redes neuronales artificiales para la evaluación de la calidad del agua en sistemas de cultivo extensivo de camarón

الأسبانية؛ قشتالية. Resumen: El cultivo de especies acuícolas es una actividad comúnmente practicada alrededor del mundo. En México, el cultivo de camarón es una de las principales fuentes de ingresos en el área de la acuicultura. La calidad del agua es un factor relevante en el éxito del cultivo en granjas camaronícolas, por lo que su monitoreo resulta ser de vital importancia. Este estudio presenta un nuevo modelo computacional para la evaluación de la calidad del agua en granjas de cultivo extensivo para camarón Litopenaeus vannamei. Mediante el uso de las redes neuronales artificiales se creó un indicador de la calidad del agua, mismo que permite establecer una relación entre la dinámica de los parámetros del ecosistema y diferentes estados para el cultivo de la especie (excelente, bueno, regular y deficiente). Se seleccionaron cuatro parámetros medioambientales debido a su importancia en el hábitat: temperatura del agua, pH, oxígeno disuelto y salinidad. Los resultados obtenidos muestran un buen funcionamiento y eficiencia por parte del sistema propuesto, al compararlo con otros modelos de evaluación empleados para este fin. Las evaluaciones muestran a las RNA como una buena opción para la evaluación y detección de estados óptimos o no deseados para un buen manejo del agua en este tipo de cultivos.

إنجليزي. Abstract: Aquaculture is a commonly practiced activity worldwide. In Mexico, shrimp represents a significant source of the income generated by aquaculture. Since the success of shrimp farming depends on good water quality, its monitoring is essential. This work presents a new computational model to assess the water quality of large shrimp ponds (Litopenaeus vannamei). An artificial neural network (ANN) was used to create a water quality index, with which a mathematical relationship can be established between the dynamics of environmental parameters and different water quality conditions (excellent, good, average, and poor). Four parameters that were important for the habitat were selected: temperature, dissolved oxygen, salinity, and pH. The results show that the proposed model performs well and efficiently, as compared to other evaluation models used for this purpose. The evaluations demonstrate that ANN is a good option for evaluating and detecting optimal and undesirable conditions, contributing to good water management for this type of farming.